JHTDB-wind

JHTDB-wind数据集由约翰霍普金斯大学生成，通过LES模拟了一个由四排两台涡轮机组成的8台涡轮机风电场。为了避免预先指定表面温度或热通量，使用了局部1D土壤热传导模型，并与LES耦合。在低分辨率LES运行数天后，实现了近似的时间周期性行为，之后在24小时内继续进行高分辨率LES。LES数据分析表明，风力涡轮机尾流对温度场和空间表面热通量模式有显著影响，在特定条件下（干燥无植被土壤、晴朗天空），风电场后面的地表温度在夜间升高。使用创新的Web服务促进了数据访问工具的详细数据分析表明，在早晨过渡期间，低层急流的存在和风电场的阻塞效应共同导致风电场上游的轮毂高度处冷却和风速降低。此外，在风电场的下游存在更大的湍流水平，解释了下游风力涡轮机产生更多电力的原因。

The JHTDB-wind dataset was generated by Johns Hopkins University, which simulates an 8-turbine wind farm (four rows with two turbines per row) using Large Eddy Simulation (LES). To avoid pre-specifying surface temperature or heat flux, a local 1D soil heat conduction model was coupled with the LES framework. After several days of low-resolution LES runs that achieved approximate temporal periodicity, high-resolution LES simulations were conducted for an additional 24 hours. Analysis of the LES dataset demonstrates that wind turbine wakes exert significant impacts on the temperature field and spatial surface heat flux distributions. Under specific conditions (dry, vegetation-free soil and clear skies), the surface temperature downstream of the wind farm increases at night. Detailed data analyses via innovative web service-enabled data access tools reveal that during the morning transition period, the combined effects of a low-level jet and the wind farm's blocking effect result in cooling and reduced wind speed at hub height upstream of the wind farm. Furthermore, higher turbulence levels are observed downstream of the wind farm, which accounts for the increased power generation of downstream wind turbines.

搜集汇总

数据集介绍

构建方式

该数据集通过大涡模拟技术构建，模拟了由四排双涡轮组成的八涡轮风力发电场在24小时昼夜循环中的动态变化。采用局部一维土壤热传导模型与周期性太阳表面加热耦合，避免了预设地表温度或热通量的局限性。初始阶段通过低分辨率模拟达到近似周期性状态，随后转为高分辨率模拟以捕捉精细流动结构。数据采集过程中对三维流场进行空间滤波和降采样处理，并结合执行器线模型记录涡轮叶片受力细节，最终形成包含流速、温度、压力等多物理场的综合数据库。

特点

JHTDB-wind数据集的核心特点在于其完整覆盖了昼夜循环中大气边界层的动态演变过程，揭示了风力涡轮尾流对温度场和地表热通量的显著影响。数据集包含高时空分辨率的流场、温度场及土壤温度数据，并整合了涡轮运行参数与叶片级受力信息。独特的低空急流现象与风电场阻塞效应在清晨过渡阶段被清晰捕捉，为研究大气稳定性变化对风能生产的影响提供了丰富素材。数据通过约翰霍普金斯数据库系统实现网络化服务访问，支持虚拟传感器的灵活查询与多维分析。

使用方法

研究人员可通过JHTDB-wind提供的网络服务接口，使用Python、Matlab等编程语言调用getData函数获取特定时空坐标的流场数据。数据集支持拉格朗日插值与时间序列分析，能够提取水平截面流速分布、垂直剖面温度场等关键参数。涡轮运行数据可通过getTurbineData函数查询功率、推力等时序指标，叶片级气动参数则通过getBladeData函数获取。这种模块化访问方式便于研究昼夜过渡期的尾流热效应、功率异常等现象，同时为开发数据驱动模型提供标准化输入。

背景与挑战

背景概述

JHTDB-wind数据集由约翰斯·霍普金斯大学等机构的研究团队于2025年创建，旨在探究大气边界层在日循环周期内与风力发电场的复杂相互作用。该数据集基于高分辨率大涡模拟技术，模拟了包含八台涡轮机的风电场在24小时内的动态演化，重点关注温度场分布、涡轮机尾流效应及功率输出特性。其创新性在于耦合了一维土壤热传导模型，避免了传统模拟中预设地表温度或热通量的局限性，为可再生能源气象学研究提供了高保真度的时空数据支撑。

当前挑战

该数据集致力于解决风力发电领域中风电场与大气边界层耦合动力学的量化难题，核心挑战包括昼夜过渡期涡轮机功率异常波动机制解析、稳定分层条件下尾流诱导地表温度变化的物理建模。在构建过程中，研究团队需克服高分辨率模拟带来的计算复杂度，通过动态网格优化与并行计算技术实现日周期内湍流结构的精确捕捉；同时，土壤-大气耦合边界条件的物理一致性保障、以及超40TB多维数据的标准化存储与高效检索，亦是数据集构建的关键技术瓶颈。

常用场景

经典使用场景

在风能工程领域，JHTDB-wind数据集通过大涡模拟技术捕捉了八台风力发电机在24小时昼夜循环中的动态行为。该数据集典型应用于分析大气边界层昼夜变化对风机尾流结构和功率输出的影响，尤其在清晨过渡期低空急流与风电场阻塞效应交互作用的研究中具有重要价值。

实际应用

在风电产业实践中，该数据集为风机布局优化和功率预测提供了关键支撑。基于对清晨过渡期下游风机功率反超现象的分析，可指导风机偏航控制策略的改进。其揭示的夜间尾流增温效应，为评估风电场对局部微气候的影响提供了量化依据。

衍生相关工作

该数据集催生了多维度延伸研究，包括基于致动线模型的叶片气动力精细分析、异质热边界条件下尾流-大气耦合机制探索，以及数据同化技术在风电场动态预测中的应用。相关成果推动了大气边界层与风能工程的交叉学科发展，为高精度风资源评估建立了新范式。